(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111448267.3 (22)申请日 2021.11.30 (71)申请人 温州科技职业学院 地址 325000 浙江省温州市瓯海区东方南 路38号温州市国家大 学科技孵化器 (72)发明人 尤新新　都林娜　王晟　 (74)专利代理 机构 温州名创知识产权代理有限 公司 33258 代理人 陈加利 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于机器学习的城市垃圾分类工作的 评估方法及系统 (57)摘要 本发明提供一种基于机器学习的城市垃圾 分类工作的评估 方法， 包括获取历史季度数据的 垃圾产生量并按比例划分为训练集和测试集， 且 进一步进行数据归一化处理； 搭建LS TM神经网络 模型， 将训练集和测试集的数据输入该LSTM神经 网络模型进行训练和测试； 将训练后的数据反归 一化， 输出结果并进行模型每层的结构及参数的 表述， 得到训练好的LSTM神经网络模型； 获取当 前季度的垃圾产生量； 将当前季度的垃圾产生量 导入预先训练好的LSTM神经网络模型中进行预 测， 得到下一季度的垃圾产生量。 实施本发明， 不 仅使垃圾预测精度更高， 预测结果更稳定， 还能 有效识别及筛选垃圾分类成 效主要影 响因素， 提 高了识别准确度。 权利要求书2页 说明书7页 附图3页 CN 114169730 A 2022.03.11 CN 114169730 A 1.一种基于 机器学习的城市垃圾分类工作的评估方法， 其特 征在于， 包括以下步骤： 获取历史季度的垃圾产生量， 并将所获取的历史季度的垃圾产生量按比例划分为训练 集和测试集， 且进一 步进行数据归一 化处理， 使样本值映射到( ‑1， 1)区间； 采用多层循环神经网络搭建LSTM神经网络模型， 将训练集输入该LSTM神经网络模型进 行训练， 将测试集的数据输入该LSTM神经网络模型进行测试， 且进一步将训练后的数据反 归一化， 输出结果并进 行模型每层的结构及参数的表述， 得到训练好的LSTM神经网络模 型； 其中， 所述LSTM神经网络模型以Adam算法进行优化， 选用均方根误差作为模型损失函数进 行模型评价， 以及采用Dropout方法防止模型 过拟合； 获取当前季度的垃圾产生量， 并将当前季度的垃圾产生量导入训练好的LSTM神经网络 模型中进行 预测， 得到下一季度的垃圾产生 量； 将预测所得的下一季度的垃圾产生量与 下一季度的实际垃圾产生量进行对比， 并将对 比结果导入预先定义好的LASSO回归模型中进行计算， 得到居民垃圾分类满意度； 其中， 所 述LASSO回归模型的自变量为垃圾分类成效影响因素， 包括年龄、 性别、 学历、 垃圾分类习 惯、 垃圾分类奖励、 垃圾分类惩罚 和垃圾分类宣传。 2.如权利要求1所述的基于机器学习的城市垃圾分类工作的评估方法， 其特征在于， 所 述LASSO回归模型是利用R语言LARs包分别进行最小角回归法实现LASSO回归， 具体构建步 骤如下： 步骤1： 利用R语言函数lars()， 实现las so回归分析并可视化； 步骤2： 获取模型的自变量系数， 当R2＝0.348， 选 取cp值最小时对应的模型为最优模型； 其中， cp＝8.0 00， step＝7； 步骤3： 获取cp值 最小时对应的模型的截距值； 步骤4： 获得LAS SO回归模型公式。 3.如权利要求1所述的基于机器学习的城市垃圾分类工作的评估方法， 其特征在于， 所 述多层循环神经网络具有10 0个神经元。 4.一种基于 机器学习的城市垃圾分类工作的评估系统， 其特 征在于， 包括： 获取单元， 用于获取历史季度的垃圾产生量， 并将所获取的历史季度的垃圾产生量按 比例划分为训练集和 测试集， 且进一 步进行数据归一 化处理， 使样本值映射到( ‑1， 1)区间； 训练及测试单元， 用于采用多层循环神经网络搭建LSTM神经网络模型， 将训练集输入 该LSTM神经网络模型进行训练， 将测试集的数据输入该LSTM神经网络模型进行测试， 且进 一步将训练后的数据反归一化， 输出结果并进行模型每层的结构及参数 的表述， 得到训练 好的LSTM神经网络模型； 其中， 所述LSTM神经网络模型以Adam算法进行优化， 选用均方根误差作为模型损失函 数进行模型评价， 以及采用Dropout方法防止模型 过拟合； 预测单元， 用于获取当前季度的垃圾产生量， 并将当前季度的垃圾产生量导入训练好 的LSTM神经网络模型中进行 预测， 得到下一季度的垃圾产生 量； 评估单元， 用于将预测所得的下一季度的垃圾产生量与 下一季度的实际垃圾产生量进 行对比， 并将对比结果导入 预先定义好的LASSO回归模型中进 行计算， 得到居民垃圾分类满 意度； 其中， 所述LASSO回归模 型的自变量为垃圾分类成效影 响因素， 包括年龄、 性别、 学历、 垃圾分类习惯、 垃圾分类奖励、 垃圾分类惩罚 和垃圾分类宣传。权　利　要　求　书 1/2 页 2 CN 114169730 A 25.如权利要求4所述的基于机器学习的城市垃圾分类工作的评估系统， 其特征在于， 所 述LASSO回归模型是利用R语言LARs包分别进行最小角回归法实现LAS SO回归。 6.如权利要求4所述的基于机器学习的城市垃圾分类工作的评估系统， 其特征在于， 所 述多层循环神经网络具有10 0个神经元。权　利　要　求　书 2/2 页 3 CN 114169730 A 3